[論文レビュー] Rapid Discovery of Stable Materials by Coordinate-free Coarse Graining

Rhys E. A. Goodall, Abhijith S. Parackal+3 more|arXiv (Cornell University)|Jun 21, 2021

Machine Learning in Materials Science被引用数 2

ひとこと要約

本論文は、ワイコフ表現を用いた座標フリーな粗粒度化手法を導入し、効率的で高精度な無機材料の安定性探索を可能にする。原子座標を対称性に基づく構造記述子に置き換えることで、結晶構造の扱いが不可能な探索空間を、組み合わせ的に数え上げ可能な形に削減し、最先端手法よりも3倍高い精度を達成。わずか5,675回のab initio計算で1,569個の新しい安定材料を同定した。

ABSTRACT

A fundamental challenge in materials science pertains to elucidating the relationship between stoichiometry, stability, structure, and property. Recent advances have shown that machine learning can be used to learn such relationships, allowing the stability and functional properties of materials to be accurately predicted. However, most of these approaches use atomic coordinates as input and are thus bottlenecked by crystal structure identification when investigating previously unidentified materials. Our approach solves this bottleneck by coarse-graining the infinite search space of atomic coordinates into a combinatorially enumerable search space. The key idea is to use Wyckoff representations, coordinate-free sets of symmetry-related positions in a crystal, as the input to a machine learning model. Our model demonstrates exceptionally high precision in finding unknown theoretically stable materials, identifying 1569 materials that lie below the known convex hull of previously calculated materials from just 5675 ab initio calculations. Our approach opens up fundamental advances in computational materials discovery.

研究の動機と目的

• 結晶構造同定のボトル neck を克服するため、原子座標を座標フリーな表現に置き換える。
• 事前に最適化された結晶構造の知識を必要としない機械学習フレームワークを構築し、材料の安定性を予測すること。
• 原子座標の無限探索空間を有限で数え上げ可能な空間に変換することで、効率的で高精度な材料空間スクリーニングを可能にすること。
• 対称性に基づく粗粒度化を活用し、熱力学的に安定な材料の発見を加速すること。

提案手法

• 機械学習モデルの主な入力として、座標フリーな対称性関連原子位置の集合であるワイコフ表現を使用する。
• ワイコフ表現を用いてグラフニューラルネットワーク（Wren）を学習させ、材料の形成エネルギーを予測する。
• 予測された安定なワイコフ表現から候補構造を生成し、DFT最適化によって検証する材料発見パイプラインを採用する。
• 構造生成段階で対称性制約を統合し、物理的に意味のある安定な構成を保証する。
• ドメインシフトを最小限に抑えるために、ベイズ最適化とサーヴェイモデルを活用する。
• 予測された安定材料の妥当性を検証する基準として、安定性の凸包を用いる。

実験結果

リサーチクエスチョン

• RQ1 座標フリーな結晶構造表現は、座標ベースの手法よりも、材料安定性の予測をより効率的かつ正確に行えるか？
• RQ2 ワイコフ表現は、材料発見の機械学習モデルにおいて、原子座標をどの程度置き換えることができるか？
• RQ3 本手法は、既存の構造ベースおよび成分ベースのモデルと比較して、安定材料の同定において精度と再現率の点でどの程度優れているか？
• RQ4 本手法は、高い発見精度を維持しつつ、必要なDFT計算回数を顕著に削減できるか？
• RQ5 本手法は、既知の安定化合物の少数から出発して、新規材料空間を体系的かつ包括的に探索できるか？

主な発見

• 提案手法Wrenは、既知の凸包以下の材料の安定性を同定する際、76%の精度を達成。最先端手法よりも3倍高い精度を実現。
• わずか5,675回のab initio計算で、これまでに知られていなかった1,569個の安定材料を同定。
• WBMデータセットにおいて、Wrenは76%の再現率を達成。ボロノイモデル（55%）およびCGCNNモデル（61%）を大きく上回る。
• 複雑な相図における低エネルギー構造探索において、従来手法と比較して計算コストを5倍以上削減。
• ワイコフ表現の使用により、探索すべき原子座標の配置の数を100%削減。無限探索空間を有限で数え上げ可能な空間に変換。
• 対称性に配慮した表現とサーヴェイモデリングのおかげで、構造最適化前の予測と最終的なDFT最適化構造との間のドメインシフトが最小限に抑えられ、モデルの頑健性が確認された。